整个高中阶段，我有一个习惯。每逢周日的下午，我都会跑到离家不远的一个投影厅，花 3 块钱，美美地看三部电影。那时侯是香港电影的黄金岁月，周润发+吴宇森的枪战片，徐克+李连杰的武侠片，王家卫+梁朝伟的艺术片，成龙的动作喜剧片，王祖贤的鬼片，周星驰的无厘头片，整个大银幕星光闪耀，异彩纷呈。当然，还有王晶的赌片和三级片，呵呵。我一个人窝在角落的靠背椅子里，享受着电影世界带给我的感官体验或者是心灵震撼。那是我青春岁月里，非常美妙地一段记忆。

那时侯的美国电影并不比港片好太多。会在我们那个城市的投影厅里排映的，我印象里差不多就是施瓦辛格的肌肉片，金凯瑞的搞笑片，还有猛鬼街之类的恐怖片。有一次，我看到了这么一部片子，大意是说，有一台 Computer，忘记了怎么着发生了什么事情，突然就有了自己的意识。男主角暗恋女主角，经常在 Computer 上给女主角写情书。慢慢地，Computer 也爱上了女主角，开始给男主角搞坏，成为了男主角的情敌。影片情节有趣，女主角靓丽，尤其是那美妙的音乐，给我留下了难以磨灭的印象。但是，这部片子叫做什么名字，我却没有记住。

这之后，我时常会神经质地想起这部片子。然后就跑到碟店里面去问店主，问的大致内容就是“Computer/Love/Music”之类的，但始终未果。

后来，我有机会负责一个电影搜索引擎的开发。我给自己定了一个要求，在我做的这个搜索引擎里面，输入“Computer Love Music”，一定要出来这部电影。我的规划是作三期，第一期完成基础架构，实现基本的基于关键字的搜索。第二期就是这种，我将其定义为偏重于行业特征的搜索。可惜的是，我并没有全部做完。第一期完成了之后，我就被一家更靠谱的互联网创业公司给忽悠过来了。

不过可喜的是，现在，我所谓的第二期，别人已经做出了实际的产品。这个就是 Jinni.com。

我在 Jinni 上搜索“Computer Love Music”，没有我要的结果。我接着搜索“Computer Love”，非常棒，一眼就看到了我心中久违的那个美女。

Jinni 使用了一种称为“Movie Genome”的技术。翻译成中文差不多就是，基于“电影基因”的搜索，这个听起来实在有够拉风！

Taste in movies is complex and unique. … you'd like a movie just because it's a Drama or stars Vince Vaughn. That's why our team of movie and TV experts created the Movie Genome, … to map more aspects of movies … so that all different viewers can match their personal tastes and moods, and find what they really want to watch next.

The starting point of the Movie Genome is manual tagging by our team of film professionals. Each title has around fifty genes, among thousands of possibilities. Then, using advanced machine-learning technology, Jinni's system learns from the manual tagging to begin automated tagging.

我还剩下 4 个 Invites，有兴趣的朋友可以告诉我你的 email，我给你发邀请，先到先得。

我上面说的那部电影，年代有点儿久远了，你可以不看，但电影中的音乐一定要听一听，特别是 Culture Club 的这首《Love Is Love》！

SentiMetrix 是 Strands Awards 的第四名，4 人 team， 他们的 idea 是要打造一套意见分析引擎（opinion analysis engine），通过在互联网上收集用户对某个产品或者某项服务的评论，使用其拥用专利的 SentiGrade™ 技术，对用户评论内容进行观点分析（sentiment analysis），并最终给出一个具备参考价值的综合评价。SentiGrade™ 技术的核心是分析“可以表达意见的词汇”（opinion expressing words），包括，形容词、名词、某些副词组合、特定句式中的动词、以及副词动词词组。

” … we focused on parts of speech that we called “opinion expressing words”. This class was broad enough not just to include adjectives, but also nouns (e.g. “The scoundrel!”) and certain adverbial combinations.  … the occurrences of verbs (“He emphasized that ….”), adverb-verb phrases (e.g. “He strongly reiterated that…..”), … there is a strong correlation between how such terms are used in a document and how readers’ intensity of sentiment on the topic is formed.  ”

SentiMetrix 的 demo 需要申请才能看得到，比较麻烦。我这里再介绍一个作同样事情的公司，Pluribo。得知 Pluribo，是在 RWW 上看到了他们的 PR ，一下子就被吸引住了。当时 Pluribo 网站不知何故居然被 GFWed，我籍出穿墙术才得以成功试用。不过费劲是值得的，我个人把 Pluribo 视为 08 年最具技术含量的创新服务！

试用 Pluribo 的服务非常简单，他提供了一个 google custom search，外加一个  Firefox extension。目前，Pluribo 的 extension 只能在 Amazon 上工作，而且仅限于电子产品和小说类书籍。但是，效果非常棒！
我最近准备出手 Nikon D80，Pluribo 给出的 summary 是，“ Reviewers extol the sharp lens, big display, and flash. Get your wallet ready.”。简单、明了、有效率，大大强化了我的购买决定。

上图中底部 Pluribo 黄色标志所在的深灰色信息条，即为 Pluribo 针对 Nikon D80 给出的 instant summary。

这个柱状图为 Pluribo 给出的 Nikon D80 主要参数的打分与相机类产品平均打分的对比情况。

这个仪表盘为 Pluribo 就“display”一项给出的评价，其抽出的例句相当有说服力。

更具体的分析结果，参见这里。

Pluribo 也拥有相关的专利技术，具体看起来，应该和 SentiMetrix 的 SentiGrade™ 大同小异。核心分为 3 块，“Feature-based sentiment analysis”，“Intelligent synthesis”，和“Lucid text generation”。

“Feature-based sentiment analysis is the process of scanning text about a topic and extracting a distinct sentiment score for each topic attribute. … scan text and look for feature phrases occurring in close proximity with sentiment phrases. … have a good top-down ontology of the features for a given domain and a comprehensive lexicon of the typical feature and sentiment phrases in that domain. … using a basket of bottom-up statistical techniques, including word frequency, proximity in WordNet, and Bayesian phrase clustering.”

我对“Lucid text generation”技术非常感兴趣。Sentiment Analysis 技术本身是对传统文本摘要技术的一种扩展应用。文本摘要通常的方法是从文章中抽取核心子句，拼接成摘要，比如我个人比较关注的 LexRank。但 Pluribo 使用“Lucid text generation”技术，能够自动生成语法上非常通顺的句子，这个就非常厉害了。我个人尚不能确定“Lucid text generation”具体是如何运作的，但鉴于其目前仅能工作于电子和小说两类产品，推测其可能是由人工整理的 summary pattern，再根据具体情况进行套用。

整体来讲，Sentiment Analysis 是一项非常有应用价值的技术。在国内互联网领域，电子商务相对来说做得还是比较好的，B2C 有当当和卓越，C2C 有淘宝和新进上线的有啊，市场基础有，也够红火。豆瓣以独立书评服务起家，但到目前为止，其在此方面的应用也还仅停留在“有用/没用”的状况。类似 SentiMetrix 和 Pluribo 这样的独立第三方评论服务，应该还大有 可为。而且关键的一点，SentiMetrix 已经给出了可行的收入模式。

对 Sentiment Analysis 感兴趣的朋友，推荐看一下这个！据风之谷介绍，其作者 Bing Liu 为微软 Product Search 的顾问，难怪可以写得如此精彩。

得到此相关度网络之后，能做的事情就多了。Iletken 提到了两个，智能群组广告与意见领袖，如右图里红色虚线圈中的部分。豆瓣最近在小组页面里加入了 google adsense，引起了豆友们的热议。我个人对豆瓣加广告这事儿还是非常支持的，NullPointer 说得好，广告是“social media 的 media 属性所决定的赢利模式”。做 media 的，终究绕不过去，那就让广告更智能一些吧。Iletken 提出的按兴趣群组进行智能广告投放，就是一个好思路。至于意见领袖，大家应该听得多了，但在中文互联网圈子里面，这似乎更像个贬义词。Iletken 估计也注意到了类似的问题，因此提出了“Trust is Value”的概念。但如何量化 Trust 呢，还需要细化研究一下。

Iletken 提出的按照不同兴趣组织好友网络，这个思路和我一直的想法很像，在 social networks 里面，必须把好友按照不同兴趣自动组织在一起，才能从根本上解决信息过载与推荐准确性的问题。我在豆瓣上发起过一个讨论，有兴趣的朋友请到这里。

另外，Iletken 居然提出了一个“Chinese Song Problem”，不知道是不是 team 里有人喜欢中文。PPT 里还提到了一个“Social Noise”的概念，我没太搞清楚，如果哪位朋友了解详情，还请指点了。

第一名，Gravity R&D，他们的 idea 是提供一套个性化TV娱乐节目解决方案，核心概括为 4 点：

1. 即时频道推荐以及个性化导视；
2. 电影和点播内容的即时推荐；
3. 根据用户喜好和收视习惯进行自动录像；
4. 多用户操控。

也难怪 Gravity R&D 这次可以拔得头筹， 在 Recommender System 算法领域他们可是狠角色。他们是一个 4 人开发小组，因为共同参与 Netflix Prize 而聚在了一起。我印象里，打很早开始，他们就一直盘踞在 Netflix Prize 的前 5 名之内。

第二名，Reccoon，他们的 idea 是 Activity-based Recommendations，核心思路是，根据用户当前所在地点，当前时间，以及其他输入，为用户作出推荐。举个例子，我周六中午12点，在朝阳门附近打开 Reccoon，最直接的，他可以推荐给我周围的餐馆。进一步假设我是 Reccoon 的长期用户，他已经知道我经常在周末去吃自助餐，他就可以把好伦哥推荐给我。再进一步，如果他还知道我爱吃日本料理，他就可以优先建议世贸天阶有一家金钱豹。
这个 idea 我个人接触过好多次了，也就具体问题和一些朋友见面聊过。类似的需求肯定是有，也越来越引起大家的重视。Google 负责 Personalized Search 的工程师 Bryan Horling 就认为，Location data 是个性化计算的三个主要数据来源之一。

“… personalization coming from three data sources, localization data (IP address or information in the history that indicates location), short-term history (specific information from immediately preceding searches), and long-term history (broad category interests and preferences summarized from months of history)… "

后面还有 3 个，Iletken，SentiMetrix 和 Commendo，且听下回分解，哈哈。
我个人更感兴趣的是 Iletken，SentiMetrix。Commendo 也厉害得很，目前在 Netflix Prize Leaderboard 上排名第 2！

废话一句：校内如果用买 kaixin.com 域名的钱办一个类似的活动，对它自己，以及国内互联网圈子，有价值得多！

平心而论，技术方面，MyStrands 目前尚没有“必杀技”，即使在他们的主业音乐推荐上，其推荐的质量与 Pandora 相比也尚存在一定的差距。我从外部观察，基本上是以 Item-based Collaborative Filtering 技术为核心，正在逐渐向以 User 为中心的 social recommendation 方向前进，但其社区的活跃度还不够，数据积累尚待时日。产品方面，MyStrands 比较注重各种终端设备的集成，包括 PC（Windows、Mac）、Mobile 以及其他一些可联网设备，都可以运行他们的应用。尤其在 Mobile 方面，其推出的 social player 可以支持 Windows Mobile 与 Symbian 这两个主流平台，并刚刚在 Mobile Rules! Award 2008 上被评为“最佳多媒体应用”。

总体来看，在个性化领域，MyStrands 应该还是走在前面的，他们自己的信心也很足。引一段其 blog 中的文字，“MyStrands raises $25 Million to lead the social recommendation industry”：

We feel strongly that the future of the web is about personalization. Personalized TV stations, personalized advertising, personalized news, personalized shopping, personalized music and entertainment experiences, wherever you happen to be, whether it’s at home, on the go, at your friend’s or at a bar… This is what our 50-person team has been focusing hard on and where we are headed with this funding.

Spotback 的新业务是 Cross-site recommendations。这项新业务基于一系列 widget 展开，核心功能就是 Spotback logo 里所宣称的，“Rate Everything”！

其他网站的所有者，将这些 widget 安装在自己的页面内，网站访问者就可以开始使用 Spotback 提供的打分功能了。通过这个 widget，Spotback 还会向用户推荐与当前文章相似的内容，并且推荐的内容通常来自于其他网站。基于这种模式，Spotback 建立起一个隐性的内容联盟，所有加入这个联盟的内容发布者，都有机会在其他网站上显示自己的内容，从而扩大内容的受众面，提升本身的流量。当用户使用 Spotback widget 打分的时候，Spotback 会通过 cookie 记录下打分数据，提交到 Spotback 自己的用户系统里面，当用户在 Spotback 注册或者登录之后，就可以看到自己之前的打分历史了。基于用户的打分历史，Spotback 自然又可以做出个性化的推荐了。

个人感觉，Spotback 这个新业务模式的设计还是蛮不错的，和我们经常看到的“digg this”很像，而且功能更丰富一些。建议豆瓣也可以做一个类似功能的 widget，让国内的 blogger 放到自己的文章内，这样，豆瓣9点就可以收集来自于豆瓣网站之外的用户数据了。

MFS（MyFriendSuggests.com 的简写）于2007年7月17日正式启动，核心业务与国内的大众点评网类似，提供对诸如饭店、酒吧、俱乐部等本地服务的评论和打分。但与其他类似评论站点不同的是，MFS 是以 Social Network 为基础的。首先，你可以邀请你线下的好友一起加入 MFS，MFS 以类似六度空间的模型建立起你的关系网络。之后你就可以开始对你喜欢的饭店、酒吧、或是旅游景点什么的进行点评了，形式无外乎就是数星星或者写评语之类的，你贡献的数据越多，MFS 给你的推荐就可能会越准确。在 MFS 的推荐算法中，加重了你的 Friend Neighborhoods 的权重，也就是说，MFS 不是简单的使用 User-based 或者 Item-based 的推荐模式，而是区别对待你的好友与其他你的关系网络里的用户，使得你的 Fried Neighborhoods 可以对 MFS 给你的推荐产生更多的影响。从我们的实践经验来看，这是有意义的，我们大家多半都会比较信任自己朋友们的意见。

与其他 web2.0 的应用一样，MFS 有一个轻型的开发团队，主创也是一个勤奋的 blogger。但不同的是，他们并没有使用 Python 或是 Ruby 这样的动态语言，而是基于 Java 进行 MFS 的开发。最核心的推荐引擎，是基于 Taste 框架完成的。我是在一次查找 Taste 资料时，发现了这篇 blog，Creating a custom recommender using taste，从而开始关注 MFS 的。MFS 认为使用 User-based 与 Item-based 混合的方法，可以取得更好的推荐效果，并给出了他们目前使用的公式：

在 facebook 推出他们的 Applicaiton 平台之后，MFS 也推出了 for facebook 的应用，见这里 http://apps.facebook.com/myfriendsuggests/。感兴趣并且有 facebook 帐号的朋友，可以试试看。不过，由于 MFS 的业务是 local 模式的，因此目前对国内用户的用户不大。

与 del.icio.us 类似，CiteULike 也是一个社会化书签的服务。del.icio.us 针对于网页，应用范围广泛；而 CiteULike 针对于 papers，应用非常专注。而正因为专注，使得在管理与分享 papers 时， CiteULike 具备了绝对的优势！当你保存一篇 papers 时，最重要的 meta 数据，包括，标题、作者、杂志等，CiteULike 可以自动帮你提取出来，Cool！找到这个工具，可是让我高兴了几天。

简单的注册之后，你就可以开始向 CiteULike 提交 paper 了。有两种方法：一种是在 CiteULike 网站提供的输入框里填写 paper 的 URL；另一种更简单，和 del.icio.us 一样使用 bookmarklet 的方式，在 paper 页面上点击一个 javascript 链接，一切搞定。经过 del.icio.us 的普及，如今的 bookmarklet 已经成为此类应用的标准配置。当然了，不可能做到任何网站上的 papers 都可以自动提取 paper 的 meta 数据，但 CiteULike 已经对大多数常用的 papers 站点提供了支持，包括：ACL Anthology | AIP Scitation | Amazon | American Chem. Soc. Publications | American Geophysical Union | Anthrosource | arXiv.org e-Print archive | Association for Computing Machinery (ACM) portal | BioMed Central | Blackwell Synergy | BMJ | CiteSeer | Cryptology ePrint Archive | DBLP | HighWire | IEEE Explore | informaworld | Ingenta | IngentaConnect | IoP Electronic Journals | IWA Publishing Online | Journal of Machine Learning Research | JSTOR | MathSciNet | MetaPress | NASA Astrophysics Data System | National Bureau of Economic Research | Nature | New Scientist | Optical Society of America | Physical Review Online Archive | PLoS | PLoS Biology | Project MUSE | PubMed | PubMed Central | Royal Society | Science | ScienceDirect | Scopus | Social Science Research Network | SpringerLink | Usenix | Wiley InterScience。这么一大票，足够用了，我最常用的是 CiteSeer 和 PubMed。用户还可以导出自己的 library，就是用户自己的 papers 集合。目前支持三种形式，BibTeX、Reference Manager (RIS) format 和 RSS。据说接下来将支持 Semantic Web 标准，又一次证明，Semantic Web 是个好东西。

出来导入 paper 非常方便之外，CiteULike 另一个对我们最有益的功能自然是基于社会化推荐的功能了。最基本的方式与 del.icio.us 类似，CiteULike 通过使用 tag 将 papers 关联起来，用户可以非常方便的查看标有相同 tag 的 papers。针对 paper 的特点，CiteULike 还提供了浏览某个作者所有 papers 的功能，非常好用。通过共同拥有的 papers，CiteULike 可以帮用户找出相似的其他用户，进一步结合 Groups 的功能，用户可以建立虚拟实验室，或者共同探讨某一个研究领域。

感谢 Richard Cameron 的无私，CiteULike 本来是他自己私人使用的系统，后来由于逐渐有人加入近来，他将 CiteULike 正式开放了出来。技术方面，CiteULike 混合使用了 Tcl、Common Lisp、Perl 和 Erlang 多种编程语言，数据库是 PostgreSQL。整体来讲，CiteULike 的功能已经很不错了，不过我一直迫切希望一个功能，就是 post paper 时增加自动提示系统内已有 tag 的功能！目前可以提示自己的 tag，但其实更有用的是提示别人的 tag，这样才能形成社会化分享。

关于 RSS 处理的话题，我在之前的 blog 里也说了不少，比如 [1], [2]。之所以甘愿将这篇 blog 稍微跑题一下，也要再说说 RSS，实在是因为，通过 RSS 订阅阅读 blog，已经成为我每天必定要做的功课。我实在期盼着在 blog 阅读领域，能有创新性的应用出来。由于担心会错过可能的精彩文章，我常常因为一两篇好的 blog，而一时冲动订阅了整个 Feed。大量的 Feed 订阅，导致产生了大量的未阅读文章，看着 GReader（faint，又是 google，google 不会把我的 feed 订阅也弄丢吧） 里那些类似于 100+ 的数字，我常常会无可奈何地“mark all as read”。对于像我这样的 Feed 受众，实在是太需要有一个服务来帮助我一下了！

AideRSS 正在进行这方面的创新。AideRSS 的使用非常简单，用户提交 Feed 地址，AideRSS 自动抓取其中的 blog，进行评估。AideRSS 的核心技术为 PostRank 值的计算。AideRSS 会自动统计一篇 blog 在 Digg、Del.icio.us、Bloglines 、Technorati、Icerocket 以及 Google Blog Search 这些第三方网站上的收藏数、收录数与留言数等，计算一个综合的 PostRank 得分。PostRank 得分越高，表示 AideRSS 认为这篇 blog 的可读性越高。由于综合使用了多家第三方知名网站的数据，因此 PostRank 具有一定的可参考性。AideRSS 按照 PostRank 得分，将 blog 进行了等级划分，包括 Good Post、Great Post 和 Best Post。并且，AideRSS 还将这些不同等级的结果，重新烧制了 Feed，用户可以直接订阅这个 Feed，非常方便。目前微遗憾的是，虽然 AideRSS 对中文的支持已经很好了，但由于所选取的第三方网站都是以英文为主要服务语言，因此，对国内中文 blog 进行 PostRank 计算，大多数得分都不高。我本来非常喜欢 AideRSS 输出的 widget 的设计，但由于我的 blog 得分太低，实在不好意思放上来，呵呵。

前面，我之所以那么确信 AideRSS 一定会向个性化服务方向发展，是因为 AideRSS 的团队。我一直在阅读 Ilya Grigorik 的 blog，Ilya 是 AideRSS 的首席架构师，是 PostRank 的主创人，另外还是一个勤奋的 blogger。在他的 blog 里，有不少关于个性化技术方面的内容，比如这篇“Dissecting the Netflix Dataset”，这篇“SVD Recommendation System in Ruby”和这篇“SVM Text Classification”，等等。从这些 blog 里，可以清晰地看到，AideRSS 正在进行个性化技术方面的尝试，也许不久就会放出成果。在 Web 技术方面，AideRSS 是典型的 Web2.0 架构，Ruby On Rails（ROR）+ MySQL。自然，Ilya 的 blog 里也少不了 Ruby/MySQL/Web 技术方面的精彩文章。如果你喜欢 Ruby，碰巧又对个性化技术感兴趣的话，那么我推荐你一定要订阅 Ilya Grigorik的 blog 跟踪阅读。

如果你有着 RSS 阅读强迫症，订阅了 N 多的 Feed，并且以英文 blog 为主，那么强烈建议你试用一下 AideRSS。

和大多数的个性化推荐站点一样，豆瓣可以“猜我会喜欢”：《活着》、《不能承受的生命之轻》或者《达·芬奇密码》；可以告诉我“喜欢费马大定理的人也喜欢”：《数学:确定性的丧失》、《希尔伯特——数学世界的亚历山大》和《哥德尔、艾舍尔、巴赫——集异璧之大成》。但是豆瓣不能告诉我，我对《三重门》和《梦里花落知多少》毫无兴趣！豆瓣现在还不会猜我们“不喜欢什么”。

但是，LibraryThing.com 可以。大概是2006年5、6月份的时候，LibraryThing.com 推出了这个服务：UnSeggester。这个功能使用起来非常简单，你只需要输入你拥有或者读过的一本书，LibraryThing 就会列出来有哪些书它不推荐你阅读。大家可以试试这个，《the da vinci code》。个性化不推荐，很有意思。

LibraryThing.com 创办于2005年8月，核心服务为个人网络书架与基于书籍的社会化网络。LibraryThing 使用 Z39.50 协议自动从书商及图书馆那里获取书籍数据，用户还可以上传/导入符合 MARC 或者 Dublin Core 格式的书籍数据。（注：MARC 和 Dublin Core 都是与 Semantic Web 相关的规范，Semantic Web 实在是个好东西啊。）用户建立了属于自己的书架，对书进行 tag 等操作之后，LibraryThing 就会向你推荐你可能感兴趣的书籍，并且社会化网络功能也会起作用：使用“Members with your books”这个功能，LibraryThing 会告诉你 50 个和你拥有相似书籍的用户；当你浏览别人的书架时，LibraryThing 会告诉你他与你共同拥有哪些书籍。通过这些找朋友的方法，你可以方便地在 LibraryThing 上建立起你的书友网络。通常到这里，大多数此类网站的产品线也许就停止了，但 LibraryThing 没有，他更进了一步。LibraryThing 在社会化网络的运营方面，有其独特的招数——Swap Books。是的，图书交换 ！通过图书交换这种形式，LibraryThing 把虚拟的网络关系，实体化到了现实社会里！这步如果可以做好，那就相当厉害了！

说几句题外话，SNS/OpenSNS 最近很热。我个人将 SNS 分为两类路径，一类是从线下到线上，比如校友录，都是现实的同学；另外一类就是从线上到线下，比如 LinkedIn，经常会发线下聚会的邀请。我一直觉得，阳春白雪式的纯粹社会化虚拟网络实在是太虚了。可以看看，国内诸如驴友、车友、镭友这样的线下俱乐部都还是蛮红火的，而基于所谓的六度空间理论的 SNS 站点却始终不温不火。社会化网络，需要走到线下，需要落到实体上！大约在2004年，带着一帮师弟师妹们给导师做项目的时候，我曾经忽悠大家一起做一个面向在校大学生的 SNS 应用，就是计划以书籍交换为手段，建立起真实的面对面的线下关系及互动。中国人普遍爱书。书，是最容易产生共鸣，建立信任，促进长久联系的载体。若是通过类似这种方式，解决了多数大学生交际面狭窄的现状，一定大有可为。当时我甚至连可行的营收模式都考虑好了。后来，苦于自己忽悠能力有限，天使投资没找到，师弟师妹们看不到真金白银也不愿意全心投入，自己无奈下只好作罢了。那次经历，让我深刻地切实地体会到了团队的重要！

一时感慨，呵呵！咱们回来接着说 LibraryThing.com。LibraryThing 的发展速度还是相当迅猛的。2006年8月，当 LibraryThing 一岁的时候，已经拥有了超过 73,000 名注册用户以及 超过510 万册书籍。而截止到目前的最新数据是，298,000 名注册用户以及超过 2000 万册书籍。2006年5月，AbeBooks.com 收购了 LibraryThing 40% 的股份，价钱不详。 LibraryThing 的营收模式主要有两种：1、书籍发行商的广告/推广收入；2、个人收费用户。LibraryThing 的免费用户可以添加 200 册书，付费用户不限数量，两种收费标准，每年 10$ 或者是 25$ 终身。不知道豆瓣有没有考虑过向个人用户收费？在豆瓣上花少许的钱，得到更好的服务，这个我愿意！豆瓣可以用一件 T-Shirt 或是一个背包来吸引付费用户，你看 LibraryThing 就有。